Estudo de caso
Auditamos a nós mesmos primeiro.
O primeiro caso do CiteGap é o nosso próprio site, demandfieldnotes.com, passado pelas mesmas 30 perguntas de comprador no ChatGPT, no Perplexity e no Gemini, medido duas vezes em dois dias. Nenhum cliente assinou nada. Nenhum autorelato de fornecedor entra na história. O dia 1 está medido e publicado abaixo; o reteste do dia 2 e os dois motores bloqueados entram quando forem medidos.
O que o dia 1 realmente mediu.
A rodada começou em 12 de novembro de 2026. Das 90 células planejadas (30 perguntas de comprador × 3 motores), 15 produziram respostas mensuráveis, todas no Perplexity. O ChatGPT foi bloqueado na entrada: o IP de saída do nosso proxy é rejeitado na borda da OpenAI, com as rejeições arquivadas no registro da rodada. O Gemini não aceitava envio anônimo, e o caminho de reteste dele exige uma conta Google limpa que não tínhamos. As duas correções estão listadas no registro, em vez de serem maquiadas.
Citados em 2 das 15 respostas medidas: uma só pelo nome, outra com substância. 4 das 15 respondiam sobre outro produto que compartilha nosso nome, um SaaS de acompanhamento semanal chamado CiteGaps.
Prateleira de descoberta: ausente. Nas 9 perguntas mensuráveis de descoberta e caso de uso, os concorrentes citados incluíam Profound, Semrush AI Visibility, Peec AI, Otterly, AthenaHQ, Scrunch e Ahrefs Brand Radar. Os concorrentes nos superavam na casa de 3 para 1 nas respostas medidas.
Onde existe conteúdo, a citabilidade funciona. A única pergunta de prós e contras produziu uma resposta precisa e bem referenciada que citou as nossas próprias páginas, ao lado de um anexo de domínio errado e do rastreador homônimo. Nossa lacuna é desambiguação de entidade, não qualidade de conteúdo.
Sinais de confiança: quase zero. A única prova de terceiros que o motor encontrou sobre nós foi uma submissão no Product Hunt sem avaliações substanciais. Sem página de uptime, sem citações de clientes, sem cobertura independente. Registrado, e agora na nossa própria lista de correções.
Base de medição: 30 perguntas de comprador por motor, uma única passada no dia 1, 15 de 90 células medidas. Cada número acima é rastreável até os registros por pergunta. O reteste do dia 2 e os dois motores bloqueados entram nesta página quando forem medidos, não antes.
Os mecanismos que esperamos que a autoauditoria exponha.
Páginas que os motores não conseguem interpretar não são citadas
Dados estruturados e uma abertura que responde direto tornam uma página extraível. Páginas que enterram a resposta sob texto de marketing são folheadas ou puladas. As nossas próprias páginas não estão isentas, e a auditoria as verifica do mesmo jeito que verifica o site de um cliente.O que um experimento de 1.885 páginas achou sobre JSON-LD.
Ausência no momento da comparação entrega o negócio a quem apareceu
Quando um comprador pede a um motor para comparar opções, o motor cita os fornecedores que consegue respaldar com fontes. Se você não está nessa resposta, a venda começou sem você. A nossa própria categoria não é mais gentil: compradores comparando auditorias de visibilidade em IA fazem aos motores exatamente essa pergunta.Por que ser citado pelo nome vale mais que ranking.
Motores repetem o que conseguem citar, e ficam evasivos sobre o resto
Se o único material sobre você é o seu próprio texto de marketing, a resposta fica vaga, e elogio vago não sobrevive a uma decisão de compra. Perguntas de fase de decisão sobre confiança, resultados e riscos só recebem respostas seguras quando existem provas citáveis.O que acontece quando a IA recomenda um fornecedor desconhecido.
Fatos desatualizados fazem os motores ficarem evasivos, e evasividade perde negócio
Os motores guardam snapshots de semanas diferentes. Se preço, categoria ou dados da empresa divergem entre snapshots, a saída segura é uma resposta com ressalvas. A auditoria confronta o que os motores afirmam com o que o site afirma hoje, e cada divergência vira um ticket de correção. O método completo está documentado na página de metodologia.
O que está por trás dos números publicados.
Cada número publicado da autoauditoria remonta ao pacote de provas que a pipeline produz em cada rodada:
Registros de respostas por pergunta. Cada resposta de cada motor, nos dois dias: a pergunta feita, o texto integral da resposta, quem foi citado e em que ordem.
Captura de citações. Quais fontes cada resposta citou, gravado por rodada, não reconstruído depois.
Snapshots de respostas. Quando um motor não oferece link público estável, o texto da resposta é capturado como está e arquivado.
Tickets de correção. O ticket que a auditoria emitiu para cada lacuna, para que uma afirmação publicada corresponda a uma mudança que alguém de fato fez.
O pacote está arquivado e é verificável. Caminhos internos de arquivos ficam internos; o que se publica são os números e a base de medição, não o layout do armazenamento. Nas rodadas pagas, as respostas brutas fazem parte do entregável, para que o cliente possa recalcular cada número do relatório.
Você trabalharia com a pessoa que executou esta auditoria.
Demand Field Notes é um laboratório de uma pessoa. As perguntas, as rodadas, o relatório e a resposta ao seu e-mail vêm da mesma pessoa. Pergunte o que quiser sobre o método, ou comece pela checagem gratuita na sua própria página inicial.
Primeiro os detalhes do método? Ler a metodologia. Full pricing lives on the página de preços.